导读:本文包含了计算机辅助医学诊断论文开题报告文献综述及选题提纲参考文献，主要关键词:计算机辅助医学诊断,CAD医学影像,分析
计算机辅助医学诊断论文文献综述
王寰,杨泽慧[1]（2019）在《计算机辅助医学诊断的相关问题探讨》一文中研究指出本文主要就当前应用较为广泛的计算机辅助医学诊断进行分析和讨论,并阐述CAD研究中的相关问题。希望可以为相关人士提供帮助。(本文来源于《电脑知识与技术》期刊2019年11期）
郭全[2]（2018）在《基于叁维重建技术的计算机辅助医学诊断平台设计与实现》一文中研究指出叁维重建作为医学可视化领域的重要技术,其目的是使用计算机将医学影像设备采集的图像绘制到屏幕上,辅助医学相关人员进行诊断和治疗。利用计算机分析、处理海量的数据,为人们研究体数据提供了可靠、准确的手段。在计算机辅助诊断中,对研究数据进行叁维重建,可以获得直观的立体结构,从中分析感兴趣的区域指导诊断过程。然而,由于体数据的复杂性和技术的局限性,当前的图像重建质量不能满足更高的实时性、高精度等需求。另外,为制定更好的诊疗方案,需要灵活的交互操作来观察、分析重建结果。如何利用叁维重建提供更高质量的绘制图像,以及如何构建更灵活、友好的人机操作界面是当前研究的重点课题。本文面向计算机辅助诊断技术的应用需求,重点着手处理如何绘制高质量图像、如何提高显示效率、如何突出显示感兴趣信息以及如何设计更好的人机界面等问题。针对以上问题,本文研究并实现了叁维重建技术、人机仿真技术。本文的研究成果如下:1)为获得高质量绘制结果,本文研究并实现了叁维重建技术的面绘制和体绘制方法。在面绘制中,研究了基于移动立方体的面绘制方法的原理和问题,为处理二义性、碎骨问题使用了各向异性扩散算法和叁维区域增长算法,增加了图像的真实感和光滑度。在体绘制中,研究了基于GPU的光线投射算法的原理、过程,以及软件加速方案,其中包括光线终止法、适应性采样,有效的提升了体绘制的效率。2)传统的体绘制都是基于单模态的图像,缺少一定的特征信息来对图像进行分割。为更好的显示叁维图像细节和充分利用多模态图像的特征信息,本文研究了基于多尺度的多模态图像融合方法,并提出了基于复剪切波的多模态图像融合方法。在此基础上,结合复剪切波-体绘制方程,实现了融合多模态图像的体绘制方法。3)传统的一维或二维传递函数用来对数据进行分类,然而边界信息较为模糊。利用轮廓树的空间拓扑关系能够提取到边界信息,可以更好的指导传递函数的设计。本文研究了传统的轮廓树构建算法,并提出了基于多线程的轮廓树加速构建算法。进而结合快速轮廓树构建算法,研究并改进了传统的渲染模式,设计了一种高效的体绘制渲染框架。4)在以上研究的基础上,本文设计并实现了基于叁维重建的计算机辅助医学诊断平台。本文实现的系统功能较为全面,包括医学图像处理、面绘制和体绘制等。为提高人机交互效果,设计了相对直观、简单且易操作的界面,提供多种视图和用户操作。(本文来源于《山东理工大学》期刊2018-04-10）
沈晔[3]（2014）在《计算机辅助医学影像诊断中的关键学习技术研究》一文中研究指出利用计算机技术辅助放射科医生进行病例诊断,即计算机辅助诊断(Computer Aided Diagnosis, CAD)在早期乳腺癌检查中起到越来越重要的作用,能有效帮助减少乳腺癌患者的死亡率。临床上已标记病例样本难以搜集同时阴性病例样本数远大于阳性病例样本数,因而在CAD应用中存在小样本、非平衡数据集的学习问题。非平衡及小样本学习问题是关于类别严重不对称及信息欠充分表达数据集的学习性能问题。非平衡及小样本学习在许多现实应用中具有重要意义,尽管经典机器学习与数据挖掘技术在许多实际应用中取得很大成功,然而针对小样本及非平衡数据的学习对于学者们来说仍然是一个很大的挑战。本论文系统地阐述了机器学习在小样本与非平衡学习环境下性能下降的主要原因,并就目前解决小样本、非平衡学习问题的有效方法进行了综述。本论文在充分理解常用欠采样方法在处理非平衡样本时易于丢失类别信息的问题基础上,重点研究如何合理、有效处理非平衡数据。论文提出两种欠采样新方法有效提取最富含类别信息的样本以此解决欠采样引起的类别信息丢失问题。另外针对小样本学习问题,论文提出新的类别标记算法。该算法通过自动标记未标记样本扩大训练样本集,同时有效减少标记过程中易发生的标记错误。本论文聚焦小样本、非平衡数据的学习技术研究。围绕非平衡数据集的重采样及未标记样本的类别标记等问题展开研究。论文的主要工作包括：(1)针对CAD应用中标记病例样本难以收集所引起的小样本学习问题,本论文利用大量存在的未标记样本来扩充训练样本集以此解决小样本学习问题。然而样本标记过程中往往存在错误类别标记,误标记样本如同噪声会显着降低学习性能。针对半监督学习中的误标记问题,本论文提出混合类别标记(Hybrid Class Labeling)算法,算法从几何距离、概率分布及语义概念叁个不同角度分别进行类别标记。叁种标记方法基于不同原理,具有显着差异性。将叁种标记方法有一致标记结果的未标记样本加入训练样本集。为进一步减少可能存在的误标记样本对学习过程造成的不利影响,算法将伪标记隶属度引入SVM(Support Vector Machine)学习中,由隶属度控制样本对学习过程的贡献程度。基于UCI中Breast-cancer数据集的实验结果表明该算法能有效地解决小样本学习问题。相比于单一的类别标记技术,该算法造成更少的错误标记样本,得到显着优于其它算法的学习性能。(2)针对常用欠采样技术在采样过程中往往会丢失有效类别信息的问题,本论文提出了基于凸壳(Convex Hull,CH)结构的欠采样新方法。数据集的凸壳是包含集合中所有样本的最小凸集,所有样本点都位于凸壳顶点构成的多边形或多面体内。受凸壳的几何特性启发,算法采样大类样本集得到其凸壳结构,以简约的凸壳顶点替代大类训练样本达到平衡样本集的目的。鉴于实际应用中两类样本往往重迭,对应凸壳也将重迭。此时采用凸壳来表征大类的边界结构对学习过程是一个挑战,容易引起过学习及学习机的泛化能力下降。考虑到缩减凸壳(Reduced Convex Hull,RCH)、缩放凸壳(Scaled Convex Hull,SCH)在凸壳缩减过程中带来边界信息丢失的问题,我们提出多层次缩减凸壳结构(Hierarchy Reduced Convex Hull,HRCH)。受RCH与SCH结构上存在显着差异性及互补性的启发,我们将RCH与SCH进行融合生成HRCH结构。相比于其它缩减凸壳结构,HRCH包含更多样、互补的类别信息,有效减少凸壳缩减过程中类别的信息丢失。算法通过选择不同取值的缩减因子与缩放因子采样大类,所得多个HRCH结构分别与稀有类样本组成训练样本集。由此训练得多个学习机,并通过集成学习产生最终分类器。通过与其它四种参考算法的实验对比分析,该算法表现出更好分类性能及鲁棒性。(3)针对欠采样算法中类别信息的丢失问题,本论文进一步提出基于反向k近邻的欠采样新方法,RKNN。相比于广泛采用的k近邻,反向k近邻是基于全局的角度来检查邻域。任一点的反向k近邻不仅与其周围邻近点有关,也受数据集中的其余点影响。样本集的数据分布改变会导致每个样本点的反向最近邻关系发生变化,它能整体反应样本集的完整分布结构。利用反向最近邻将样本相邻关系进行传递的特点,克服最近邻查询仅关注查询点局部分布的缺陷。该算法针对大类样本集,采用反向k最近邻技术去除噪声、不稳定的边界样本及冗余样本,保留最富含类别信息且可靠的样本作为训练样本。算法在平衡训练样本的同时有效改善了欠采样引起的类别信息丢失问题。基于UCI中Breast-cancer数据集的实验结果验证了该算法解决非平衡学习问题的有效性。相比于基于k最近邻的欠采样方法,RKNN算法得到了更好的性能表现。(本文来源于《浙江大学》期刊2014-01-01）
吕晓燕[4]（2007）在《计算机辅助医学诊断中模糊ISODATA算法的实现及其应用》一文中研究指出介绍了计算机辅助诊断中模糊ISODATA算法的实现,并结合医学实例给出在实际中的具体应用,结果表明该方法在临床诊断中具有良好的效果,值得进一步推广,此方法同样适用于解决临床中类似的医学问题。(本文来源于《电脑开发与应用》期刊2007年08期）
瞿爱珍,庄天戈[5]（2002）在《计算机辅助医学诊断系统的数据挖掘和知识发现研究》一文中研究指出计算机辅助诊断系统中 ,使用医学数据库的数据挖掘和知识发现技术具有重要意义和其发展的必然性。文章分析和综合了此类系统研究开发的一般规律及其特殊性 ,并指出了其中一些需要解决的问题和今后的研究发展方向(本文来源于《国外医学.生物医学工程分册》期刊2002年03期）
吴燕萍,闫强[6]（2000）在《计算机辅助医学诊断的理论模型及推理方法》一文中研究指出建立计算机辅助医学诊断系统的关键技术是要以一定的数学、逻辑方法从大量的资料中抽象出所需的参数及规则 ,建立理论模型并进行算法描述[1] 。1 逻辑判断法在证候与疾病的关系是确定的情况下 ,运用逻辑判断法可获得较好的诊断效果。该方法以逻辑代数运算为基础 ,(本文来源于《山西医科大学学报》期刊2000年04期）
王海滨,王衍文,程敬之,赵海涛[7]（1998）在《计算机辅助医学影像诊断报告处理系统软件设计》一文中研究指出作者系统地介绍了计算机辅助医学影像学诊断报告处理系统软件设计。该软件可用于医院放射科室的病人资料管理，包括资料录入、保存、查找、统计及科研教学等功能。程序编制时充分考虑了工作人员的要求，纯中文界面操作，使用方便(本文来源于《北京生物医学工程》期刊1998年03期）
高培毅,林燕[8]（1998）在《计算机辅助医学影像学诊断报告处理系统的开发与应用》一文中研究指出计算机辅助医学影像学诊断报告处理系统的开发与应用高培毅林燕随着医学影像学技术的不断发展，各种先进的影像设备越来越普及，激光打印机的使用更为获得高质量的胶片提供了高技术手段。但是，与这些高、新技术形成鲜明对照的是诊断报告书写及统计报表等仍为手工劳动。诊...(本文来源于《中华放射学杂志》期刊1998年01期）
陈碧莲,李书珍[9]（1995）在《关于计算机辅助医学诊断中几个问题的探讨》一文中研究指出本文对目前应用日益广泛的计算机辅助医学诊断进行讨论,探讨了CAD研究中与系统建模、模型优度检验、特征选取、数据处理有关的几个问题。(本文来源于《中国中医药信息杂志》期刊1995年10期）
曹海兴[10]（1987）在《计算机辅助医学诊断中的模糊ISO DATA技术》一文中研究指出以数理统计方法为工具的医学计算机诊断往往受到不同症状间关联性及统计频率上的要求而带来某种局限。故人们开始将模糊数学应用于医学诊断。本文从医学诊断的一个模糊数学模型出发,采用模糊 ISO DATA 迭代算法,在症候群空间中寻找最佳模糊划分,从而按症候的差异将疾病分类,且在每一类中寻找典型的症候群参数.最后给出算法结果的应用实例。(本文来源于《计算机应用》期刊1987年01期）
计算机辅助医学诊断论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
叁维重建作为医学可视化领域的重要技术,其目的是使用计算机将医学影像设备采集的图像绘制到屏幕上,辅助医学相关人员进行诊断和治疗。利用计算机分析、处理海量的数据,为人们研究体数据提供了可靠、准确的手段。在计算机辅助诊断中,对研究数据进行叁维重建,可以获得直观的立体结构,从中分析感兴趣的区域指导诊断过程。然而,由于体数据的复杂性和技术的局限性,当前的图像重建质量不能满足更高的实时性、高精度等需求。另外,为制定更好的诊疗方案,需要灵活的交互操作来观察、分析重建结果。如何利用叁维重建提供更高质量的绘制图像,以及如何构建更灵活、友好的人机操作界面是当前研究的重点课题。本文面向计算机辅助诊断技术的应用需求,重点着手处理如何绘制高质量图像、如何提高显示效率、如何突出显示感兴趣信息以及如何设计更好的人机界面等问题。针对以上问题,本文研究并实现了叁维重建技术、人机仿真技术。本文的研究成果如下:1)为获得高质量绘制结果,本文研究并实现了叁维重建技术的面绘制和体绘制方法。在面绘制中,研究了基于移动立方体的面绘制方法的原理和问题,为处理二义性、碎骨问题使用了各向异性扩散算法和叁维区域增长算法,增加了图像的真实感和光滑度。在体绘制中,研究了基于GPU的光线投射算法的原理、过程,以及软件加速方案,其中包括光线终止法、适应性采样,有效的提升了体绘制的效率。2)传统的体绘制都是基于单模态的图像,缺少一定的特征信息来对图像进行分割。为更好的显示叁维图像细节和充分利用多模态图像的特征信息,本文研究了基于多尺度的多模态图像融合方法,并提出了基于复剪切波的多模态图像融合方法。在此基础上,结合复剪切波-体绘制方程,实现了融合多模态图像的体绘制方法。3)传统的一维或二维传递函数用来对数据进行分类,然而边界信息较为模糊。利用轮廓树的空间拓扑关系能够提取到边界信息,可以更好的指导传递函数的设计。本文研究了传统的轮廓树构建算法,并提出了基于多线程的轮廓树加速构建算法。进而结合快速轮廓树构建算法,研究并改进了传统的渲染模式,设计了一种高效的体绘制渲染框架。4)在以上研究的基础上,本文设计并实现了基于叁维重建的计算机辅助医学诊断平台。本文实现的系统功能较为全面,包括医学图像处理、面绘制和体绘制等。为提高人机交互效果,设计了相对直观、简单且易操作的界面,提供多种视图和用户操作。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
计算机辅助医学诊断论文参考文献
[1].王寰,杨泽慧.计算机辅助医学诊断的相关问题探讨[J].电脑知识与技术.2019
[2].郭全.基于叁维重建技术的计算机辅助医学诊断平台设计与实现[D].山东理工大学.2018
[3].沈晔.计算机辅助医学影像诊断中的关键学习技术研究[D].浙江大学.2014
[4].吕晓燕.计算机辅助医学诊断中模糊ISODATA算法的实现及其应用[J].电脑开发与应用.2007
[5].瞿爱珍,庄天戈.计算机辅助医学诊断系统的数据挖掘和知识发现研究[J].国外医学.生物医学工程分册.2002
[6].吴燕萍,闫强.计算机辅助医学诊断的理论模型及推理方法[J].山西医科大学学报.2000
[7].王海滨,王衍文,程敬之,赵海涛.计算机辅助医学影像诊断报告处理系统软件设计[J].北京生物医学工程.1998
[8].高培毅,林燕.计算机辅助医学影像学诊断报告处理系统的开发与应用[J].中华放射学杂志.1998
[9].陈碧莲,李书珍.关于计算机辅助医学诊断中几个问题的探讨[J].中国中医药信息杂志.1995
[10].曹海兴.计算机辅助医学诊断中的模糊ISODATA技术[J].计算机应用.1987